生物碳利用与其农业经济效益

——生物碳利用与其农业经济效益

张萌旭 宫之君^*

摘要：农业是中国利润最低的产业。由于历史、地理、气候等因素，即使中国政府提供大量的经济补贴，农民生活水平仍然未得到显著提升。因此，本研究以环鄱阳湖生态经济区的11个县（区、市）为研究对象，研究将生物碳作为土壤改良剂以检查和量化其净经济与环境效益。本研究拟使用非参数Kernel回归模型来估计环境与经济因素等回归变量之间的关系，并利用部分线性估计和单指标估计结果用于与Kernel估计对比。研究结果显示，（1）当种植水稻时生物碳应用能够增加农民的收入且净经济收益可达114900元；（2）因环鄱阳湖区域的南部县市土壤肥度较低，生物碳的使用可实现更多灌溉与肥料节约；（3）热分解厂建设在南部地区可以降低运输成本，并得到更高的净经济收益。

关键词：生物碳；环鄱阳湖生态经济区；非参数预测

一  引言

鄱阳湖是中国最大的淡水湖生态湿地，同时也是江西省最重要的水资源，为1000多万人提供了住宅用水和工业用水。除此之外，鄱阳湖也对生态系统如生物多样性保护、流域生态环境保护与森林保护有着重要的意义。近年来我国政府也意识到鄱阳湖的重要性，国务院于2009年11月发表正式声明宣布支持鄱阳湖生态经济区的建设。这是江西省历史上第一个重点关注跨时代的经济、社会和环境可持续发展的国家发展计划。根据统计资料，江西省50%以上的居民从事农业，而农业是中国利润最低的产业。多年来我国通过政策扶持促进农村地区发展、提高农民收入水平，然而由于历史、地理与气候等因素，农民的生活水平并未得到显著提高。政府补贴确实在一定程度上增加了该区域农民的收入，但不能实现可持续的脱贫和居民收入提高。因此，为了增加农民可持续性收入、提高未来发展的可持续性，改变现有的农业生产模式是必然之选。

热解是生物能源生产的重要方法，而生物碳是热解系统的副产品。已有研究发现生物碳是更稳定的碳储存形式，能够提高灌溉和肥料使用效率，实现农作物产量的提升，对减轻鄱阳湖生态经济区的环境退化有重要意义。为实现上述经济与环境效益，将热解与作为土壤改良剂的生物碳相结合，不仅可以提升自主能源的产出，并且能为后代创造可持续的环境系统。同时，鄱阳湖生态经济区周边的大量农业活动可为热解提供充足的能源原料，保证了此项技术的可行性。

改革开放以来，我国经历了高速的经济发展，政府已逐渐意识到环境保护的重要性，并在“十二五规划”中明确了减少化石燃料使用与二氧化碳排放的目标。此外，由于我国农业生产中大量的使用农药与氮肥以提高作物产量，但是研究指出氮肥会因硝化与反硝化过程增加二氧化氮的排放，因此，为了较为准确地分析与农业活动相关的温室气体总排放，我们也必须将氮肥的影响纳入考虑。此外，农耕活动中的肥料与化学物质也会通过径流与降雨排放进周边水体，造成水体氮密度增加，降低整体水质。而生物碳能够增加土壤养分并提高灌溉效率，从而减少肥料向水域中的排放，能够减轻农田中的氮氧化物排放并缓解氮氧化物造成的水污染。

本文的主要研究内容分为以下两个方面：（1）量化鄱阳湖生态经济区生物碳生产和应用的效益，包括农民收入的改变以及肥料与灌溉成本的节约；（2）本文将通过Kernel估计、部分线性估计和单指标估计来测算生物碳使用后的效益增加，即收入净增加值(Net Additional Income,NAI)。同时，本文比较了三种估计方法对NAI的估计结果，最后选择Kernel估计预测不同情况下的NAI。预测结果显示,生物碳的使用可以提高种植水稻的农民收入，其NAI可以达到114,900元；从整体区域来看，当热解厂建设在南部时将可以得到更高的NAI。本文通过研究生物碳利用对农民收入水平以及水土保持方面的影响，为可再生能源利用的环境及经济影响等研究做出了贡献，研究结果也可为相关农业政策的制定提供有效信息。

二  文献综述

目前，由农作物生产的可再生能源主要为生物乙醇、生物柴油及生物发电。在传统的生物发电技术（co-firing）之外，热解因为能得到较高的净发电量及温室气体减排量，被广泛认为是一项效率更高的生物发电技术。具体来说，热解是一种在无氧环境下，用高温高压来促使有机物分解成生物油、生物气和生物碳等产品的技术，且这些热解产品均含有较高的能量，可用于能源生产。与燃烧化石能源会增加二氧化碳净排放不同，热解技术中涉及的碳循环能够大幅降低大气中的二氧化碳含量，因此热解技术又被称为“负碳”技术。此外，生物碳可作为土壤改良剂来改善土壤状态、增强土壤的水分及养分停留能力、提高农作物产量、并以更稳定的状态来储存碳元素。

经过热解，生物质将转化为以下三种产品：

（1）液态产品：通常被称为生物油、热解油或生物原油；

（2）固体碳：存在多种应用方法，可作为土壤改良剂使用（在此应用中一般被称作“生物碳”）或作为能源转化过程中的能量来源；

（3）可燃气体：含有一氧化碳、二氧化碳、氢气、甲烷和高级烃，通常被称为“生物瓦斯”、“合成气”或“热解气体”。

不同的热解技术所带来的产出比例也有较大差异。Wright等发现快速热解将产生约15%的生物碳、70%的生物瓦斯和13%的生物油，而缓慢热解将产生更多的生物碳和较少的生物油。Ringer等的研究显示，在缓慢热解下，约35%的生物原料会转化为生物碳，30%转化为生物油以及35%转化为生物气。在这两种热解过程中，生物油均可被净化以及进一步加工为质量更高的燃料，之后可用于发电或生产化学原料如树脂或缓释肥料。每种热解产成品均有其潜在价值，但是其产出会因热解过程中使用的生物原料不同而改变。

多项研究结果显示，生物碳对农田具有多重环境效益。Sombroek发现在亚马逊流域的土壤中存在大量焦碳，Erickson则认为这类初级的生物碳应用很可能是在欧洲人入侵前，由当地原住民的居住活动以及蓄意的土地改造行为造成的。Deluca等人则提出了生物碳可以改善土壤养分转化的机制。他们指出，生物可利用的碳会吸附在生物碳的表面，从而降低了硝化作用和硝酸盐固化的可能性。因此，将生物碳添加至富含有机氮的土壤中会降低土壤硝化作用。虽然常见的田野废弃物燃烧也会在短期内对氮产生此类影响，但是生物碳则能够使此影响维持拉长到数十年甚至是数千年。

单独使用生物碳并不一定能够达成理想效果。根据Chen等人对萝卜产量的研究结果显示，当土壤中不添加氮肥时，添加生物碳并不会使萝卜产量增加。同时，该研究发现当生物碳与氮肥混合使用时，它们才能够产生显著的相互作用，并且提高氮肥的施用效率。其实验表明在不同的生物碳施用率下（每公顷10吨、50吨、100吨），萝卜的干物质可从95%增加到226%。

生物碳对于减缓温室效应可能有着重要的作用。根据Lehmann等人的研究表明，生物碳是一种相对稳定的碳储存形式，可以在土壤中保存数百年到数千年^③。与燃烧和简单的生物分解所保留的少部分碳相比（在5至10年后将少于原始总量的10%-20%），热解将生物质转化为生物碳大约可以保留其碳的50%。与作为燃料使用相比，如果将生物碳用作土壤改良剂，二氧化碳的排放抵扣可以达到12%-84%^③。而与化石燃料的排放相比，热解的排放补偿效率会大于100%^③。

生物碳（或类似材料如火山灰）应用对作物产量影响的研究始于20世纪80年代，并被广泛研究在如玉米、大豆、杉树、紫荆树、豌豆、豇豆和绿豆等作物的种植之中。由于现有研究尚未有对生物碳适宜用量的权威结论，因此许多研究中生物碳的施用范围为每公顷0.5吨至135吨。除Kishimoto和Sugiura的研究外，其余研究均证明生物碳的使用可以使作物产量显著提高。除生物碳外，热解生成的液态产品的产量与特性取决于生物原料的选择、工艺类型和条件以及产品收集的效率。整体来说，热解是我国发展再生能源、促进农业生产、提高农民收益、改善环境质量的一个潜在技术。

三  研究区域与数据

（一）生物碳的利弊

生物碳/热解是适合鄱阳湖生态经济区特性的生物能源生产方式。该地区的农业种植活动能够为热解厂提供大量的原料，除了可以促进经济区内的可再生能源发展，并可同时减少灌溉、化肥施用和种子采购成本，带来较为显著的经济与环境综合效益。然而，热解厂建设及原料运输需要大量的初始投资与政策扶持，这可能会导致此项技术的大规模发展受到限制。

1.主要优势

生物碳的应用可以减少化肥的施用，降低地下营养物的渗漏率，降低周边水体的污染程度，并带来如较低的水资源净化成本、与水相关的致病率、较少的公共卫生与医疗支出、更友善的湿地环境等经济与环境效益。此外，农业废弃物也是属于可以热解的有机原料，农民也可通过销售这些废弃物来提升收入，改善生活条件，提升了社会福利。

2.潜在的问题

虽然生物碳/热解的综合利用是一项能够提升鄱阳湖生态经济区的农民收入的潜在技术，但是要大规模的推进此项产业却可能存在一些困难。首先，由于该区域缺乏稳定的基础设施，生物原料的收集与运输较为艰难，运输成本也将随着运输距离的增加而大幅提高；其次，因为只有大规模的热解工厂设备能够带来较为显著的经济与环境影响，这就要求经济区内有较多的、稳定的原料供给。经济区内密集的小农户耕种形态与频繁的作物更替特性，使得运转过程中的原料收集、分类、储存、处理能够持续的保持高度稳定性。最后，生物碳虽然能在土壤中留存数千年，但无法保证能停留在同一个地点，Major等人的研究表明因降雨和地面径流冲刷，生物碳损失可能高达50%，因此若是生物碳因为各种原因而发生了转移，那么区域内的农业经济和环境效益也将随之改变。

（二）数据

本研究的生产成本数据来自《中国农业年鉴》、《江西省统计年鉴》以及246份当地农民的调查问题。因中国现阶段并未开展生物碳应用，无法获得实地数据，本文将已有文献中的数据汇总作为生物碳的效益数据。根据鄱阳湖生态经济区的实际情况，本文收集了11个县的13种作物的数据，其中包括水稻、棉花、甘薯等农作物，同时也包括多期种植作物单一种植期的生产数据。运输、工厂建设、运营和原料储存等成本数据则是来自French和McCarl等人的研究数据。而本研究中所牵涉到的各项成本收益变量则简列如下：

收益：

B₁：降低水质净化成本；

B₂：生物碳使用使农作物产量提高以增加农民收入；

B₃：降低传统农作物生产的灌溉成本（传统农作物指水稻、甘蔗、玉米等，非能源作物）；

B₄：降低传统农作物化肥采购成本；

成本：

C₁：能源作物生产的额外劳动力成本；

C₂：灌溉用水的成本；

C₃：种子、肥料的额外费用；

C₄：生物能源原料的收集及储存成本；

C₅：能源作物的种植密度将会影响生物原料的运输成本。本研究使用以下公式阐明两者关系：

其中Y为每公顷产量，DEN为该地区能源作物的种植密度，M为原料需求量，货车装载量为每车23吨，其余常量为装载及行驶成本；

C₆：热解厂的建设成本（影响因素包括通货膨胀水平、原材料价格（钢材、水泥等）、劳动力价格）；

C₇：热解厂运营成本（工资、电费和水费）；

由于在本研究区域内，生物碳应用带来的减少流域污染 及增加农民收入 等好处较为重要，因此，本研究将两项收益之和作为因变量（NAI），代表农民能够获得的与生物碳应用相关的总效益。其余收益与成本变量由于均与生产和加工活动有关，在本研究中设定为自变量。而 、 和 等变量因与农作物及生物碳生产有关，它们将被独立检验。向量 = 为热解的收益及成本指标： 和 分别代表灌溉成本的节约 和肥料成本节约 ， 代表包括额外种子、水资源及劳动成本在内的生产成本 ， 代表运输储存及热解厂建设与运营成本等生物碳应用成本 。因数据由三个时期、11个县及13种作物的数据组成，本文使用虚拟变量 、 和 来处理其中的定性指标。本文研究了 、 、 和 将如何影响NAI，并预测了在经济因素变化的情况下NAI将如何变化。

本文中收益与成本是根据现有文献进行估计，文献研究区域与中国情况相差较大，本文将对变量价值作出必要的调整以切实反映本研究区域情况。因灌溉与肥料施用效率可提高10%，本文假定灌溉及肥料节约的效益为5%、10%、20%，其中10%为Lehmann等人研究中的基线。 所代表的生产成本中因资源与劳动力成本受到通货膨胀水平和其他微观经济因素的影响，本文假定生产成本将增加或减少10%。 即生物碳应用成本当通货膨胀时将上升5%。热解厂的位置是本研究必须考虑的因素，因鄱阳湖生态经济区约5,560平方千米，热解厂的位置将影响原料的生产成本和运输成本。此外，该区域北部与南部的土壤和气候环境均存在差异，南部县区的土壤与北部相比更加贫瘠因此肥料与灌溉成本会比北部更高。基于此，本文设定了两处可行的热解厂地址并观测位置变化将如何影响NAI。本研究共包括108种情况，考虑了灌溉与肥料成本节约、生产成本、生物碳应用成本、热解厂选址等因素。具体而言，本文包括3类灌溉节约情况、3类肥料节约情况、2类生产成本情况、2类生物碳应用成本、2处热解厂选址的所有组合情况（见附录）。

四  研究方法

本研究使用非参数回归模型Kernel估计分析各种因素将如何影响不同经济条件下的NAI。此外，本文使用了半参数回归模型中的部分线性回归与单指标回归方法，与Kernel估计的结果进行对比。

非参数模型如下：

                            (4.1)

其中 为 与 的和， 为连续函数而 为误差项， 包括 。在非参数估计模型中，本文使用局部常数Kernel估计量（Li and Racine 2007）。估计量有以下公式得出：

                 

 (4.2)

其中 和 分别代表时期、地点和作物类型； 为平滑参数的带宽； 为Kernel函数。本文中Kernel函数为高斯Kernel函数，最佳带宽由最小二乘交叉验证法确定。

对于用于对比的半参数部分线性回归与单指标回归模型，为防止参数估计中的多重共线性，本文去除了虚拟变量 和 。以下公式为半参数部分线性模型和单指标模型：

 (4.3)

 (4.4)

其中 , , , 以及 ；y为未知参数的向量， 和 为光滑函数， 和 为误差项。

部分线性模型将OLS回归与非参数回归结合来估计参数部分的系数，由公式(4.3)中的 和 表示。针对该模型，本文设定以下限制条件，假设每个虚拟变量与因变量的关系均为线性的，以区分定性分析与定量分析。系数 和 分别确定周期、地点及作物种类影响NAI的程度，其非参数部分是根据局部常数估计量和测算的最佳带宽进行估计的。针对单指标模型(4.4)，该模型是线性模型的一般化和非参数回归模型的限制条件。本文通过对带宽和系数向量的联合估计来实现Ichimura提出的方法。

五  结果与讨论

本部分首先展示了Kernel估计、部分线性估计和单指标估计的均方误差对NAI及拟合优度的估计结果。本文选择了三种估计方法中均方误差最小的方法Kernel估计来对NAI进行预测。由于水稻为本文研究区域种植最广泛的作物，使用生物能源产生的效益与成本发生变化可能性不同，本文包含水稻种植时所有变化下的NAI预测。

（一）估计结果与模型选择

本节中，将进行Kernel估计、部分线性估计和单指标估计对NAI的估计结果的对比，本文设定热解站的建设地点为两处。估计结果由表1a，1b和1c显示。

表1a  原始NAI与估计NAI对比

P	L	C	原始	Kernel估计		部分线性估计		单指标估计
				北部	南部	北部	南部	北部	南部
1	1	1	4809	4763.33	4793.422	4974.345	5007.314	4946.746	5103.482
1	2	1	4721	4736.208	4735.79	5359.961	5530.222	4665.057	5308.671
1	3	1	5676	5676	5676	5648.252	5670.761	6322.859	5676.712
1	4	1	4716	4744.914	4719.294	5020.843	4753.295	5058.764	4536.993
1	5	1	6206.456	6206.454	6205.743	6185.272	6196.773	6205.985	6204.738
1	7	1	4721	4748.088	4721.008	4768.767	4722.958	4649.366	4702.983
1	8	1	5376.846	5376.846	5376.846	5354.741	5373.769	5770.384	10161.25
1	9	1	4741	4802.156	4739.501	4743.71	4723.214	4947.976	4819.863
1	10	1	5981	5851.078	5641.661	4681.945	4866.568	4846.922	5111.227
1	11	1	5694.334	5694.376	5694.334	5787.274	5698.371	11838.35	5768.29
2	1	1	4899.6	4899.64	4899.639	5615.957	5766.677	5122.615	5781.586
2	2	1	4751	4750.674	4736.835	5501.576	5635.678	4610.312	5310.85
2	3	1	5895	5895	5895	5977.669	5907.267	7274.263	5895
2	4	1	4708.66	4716.49	4717.046	5740.328	5281.908	5060.164	4607.302
2	11	1	5861	5861	5861	5950.721	5861	5701.543	6346.944
2	10	1	5261	5261.83	5605.26	4781.498	4763.869	4939.753	5093.003
2	5	1	5988.2	5986.885	5988.913	6077.416	5998.339	5988.671	5989.208
2	8	1	5449.4	5450.717	5449.4	5537.79	5470.663	5449.464	5858.416
3	10	1	7361	7346.821	7350.594	5900.71	7028.352	5055.674	5555.877
3	8	1	4961	4961.876	4960.915	4708.693	4577.51	4683.471	4963.44
3	3	1	5041	5040.415	5040.923	4891.528	4562.846	5040.499	5425.669
1	11	2	5636	5366.982	5455.195	5425.867	4986.908	5072.267	5152.384
1	8	2	5061	5040.343	5060.896	4670.54	4688.648	4951.743	4919.161
1	10	2	4961	5043.958	4961.013	4894.653	4984.844	5055.561	5589.02
1	5	2	4857.7	5001.743	4931.743	4839.726	4444.167	4927.286	5275.227
1	4	2	4952.7	5087.716	4965.946	5576.177	5219.25	4916.047	4947.132
1	3	2	4931	4932.116	4921.896	4864.275	4871.558	4650.74	4491.082

注: 'P', 'L' 和 'C' 分别代表生产期、生产地点与生产作物。

表1b  原始NAI与估计NAI对比

P	L	C	原始	Kernel估计		部分线性估计		单指标估计
				北部	南部	北部	南部	北部	南部
1	1	2	5231	5171.993	5152.137	4830.031	4707.25	4979.677	5163.495
2	3	2	4861	4861.118	4904.665	4870.855	4794.196	4725.777	4748.784
3	3	2	4861	4861.172	4910.253	5029.364	4876.95	4731.433	4748.578
1	8	3	4811	4778.934	4811.002	4883.107	4803.294	4936.716	4735.904
1	3	3	4414.333	4414.323	4414.333	4483.631	4380.755	4725.223	4912.234
1	1	3	4401	4434.149	4401.068	4521.42	4461.863	4871.878	5625.385
1	4	3	4081	4081.518	4081.012	4342.818	4102.52	4932.72	4609.078
1	3	4	4116	4116.145	4116.047	4762.833	4923.758	4536.783	4965.084
1	4	4	4284.75	4458.761	4284.808	4727.395	4482.09	4985.7	4742.311
1	8	4	5151	4977.044	5150.99	4832.424	5111.077	4926.685	4731.594
1	1	4	4701	4701.521	4701.114	6110.228	5967.954	4923.338	4532.092
1	3	5	4723.5	4739.195	4723.495	4734.058	4922.715	4692.482	5425.172
1	5	5	4206	4336.651	4513.197	4682.083	4347.022	4975.715	5574.496
1	1	5	6501	6485.166	6501.027	6814.416	7114.593	5028.668	5182.155
1	10	5	4251	4514.751	4251.051	4348.362	4351.963	4983.538	5564.688
1	4	5	5623.5	5269.085	5316.144	4634.735	4428.217	4868.871	4907.047
1	10	6	4213.5	4169.365	4213.589	4373.028	4441.95	4739.142	5116.852
1	3	6	5887.5	5887.509	5887.493	6164.023	6299.372	4985.716	5612.682
1	4	6	14301	14296.72	14299.84	7570.877	7824.61	6260.284	5630.698
1	8	6	3951	3972.75	3951.196	4519.755	4633.532	4930.291	4730.929
1	5	6	3913.5	3931.411	3913.517	4346.492	4081.562	4887.906	5625.432
1	2	6	5301	5301.759	5301	5330.049	5497.558	4938.97	4589.367
1	3	7	4787.8	4787.814	4787.807	4831.364	4864.722	4961.888	5942.709
1	4	7	4831	4901.056	4831.599	6521.545	6644.07	6408.586	5621.434
1	8	7	5801	5799.727	5800.713	4557.139	4715.78	4936.78	4686.115
1	1	7	5801	5800.623	5800.848	6189.62	5996.479	4659.713	4582.278
1	10	7	5001	4932.426	5001.04	7506.026	5385.39	5902.506	5241.082

注: 'P', 'L' 和 'C' 分别代表生产期、生产地点与生产作物。

表1c  原始NAI与估计NAI对比

P	L	C	原始	Kernel估计		部分线性估计		单指标估计
				北部	南部	北部	南部	北部	南部
2	3	7	3801	3801.077	3801.14	4502.205	4449.213	4109.337	4411.933
1	3	8	5401	5401.716	5401.001	5345.82	5400.064	4871.943	5440.143
1	5	8	35801	35797.66	35800.65	35775.36	35800.84	21378.9	21639.53
1	1	8	25801	25799.1	25801	25131.92	24773.66	22103.57	21816.37
1	10	8	19801	19801.94	19801	14475.72	19783.86	18493.33	19022.68
1	5	9	3903.5	3956.887	3902.979	4373.381	4241.146	4761.519	4639.112
1	8	9	4101	4022.455	4101.132	4357.287	4547.025	4846.916	4539.135
1	3	9	5301	5295.89	5300.822	4414.927	4497.079	4694.662	5257.987
1	4	9	3901	3944.296	3901.66	4471.052	4388.206	5090.297	5146.917
1	4	10	4900.995	4809.269	4844.69	5324.919	5241.122	7011.599	4972.81
1	10	10	4101	4108.502	4101.129	4271.16	4501.985	5854.5	4403.919
1	11	10	4401	4201.194	4400.998	4277.461	4397.282	5586.776	5557.421
1	5	10	3943.5	4093.179	3943.516	3832.693	3977.395	4622.555	4384.608
1	8	10	3951	4024.529	3951.155	4297.177	4490.315	4920.935	4560.099
1	1	10	4326	4414.562	4382.506	4600.964	4762.073	4790.538	4541.403
1	3	10	4138.8	4139.12	4138.871	4340.392	4461.165	4507.51	5688.612
1	8	11	9926	9926	9926	9903.895	9924.406	9926	9926
1	3	11	6301	6301.418	6300.999	6049.623	6225.372	4916.595	5866.917
1	4	11	8801	8798.007	8798.505	8329.813	7977.961	7419.698	6289.73
1	1	11	6801	6805.396	6803.814	6972.373	7171.796	9499.524	6742.784
1	3	12	3994.75	3994.884	3994.857	4273.722	4434.465	4542.38	6865.798
1	5	12	3907.25	3908.053	3912.015	4517.931	4407.045	5973.36	4794.026
1	1	12	4176	4176.307	4171.554	4942.636	5158.758	4823.163	4572.895
1	10	12	3926	3926.238	3926.172	4199.373	4429.32	6006.317	4782.971
1	3	13	4151	4165.604	4151.036	4405.151	4731.051	4984.349	5922.175
1	4	13	7801	7827.343	7889.111	8922.301	6350.853	7391.761	5677.705
1	4	13	8801	8772.415	8720.303	8850.908	8796.092	15657.21	17952.18
1	1	13	8801	8788.445	8799.545	6588.264	7097.306	6412.002	5556.133

注: 'P', 'L' 和 'C' 分别代表生产期、生产地点与生产作物。

由表1可以看出，在所有情况下Kernel估计的估计结果最接近原始数值，但每种估计对NAI的估计结果均与原始数值略有不同。通过对估计结果的简单对比，Kernel估计优于其他估计方法。

为了进一步对比三种估计量，本文计算了三种估计方法的均方误差，计算结果如表2所示。通过均方误差的对比，可看出kernel估计显著优于其他方法，这与估计结果的对比结论一致。因此，本文认为Kernel估计属于可以更好的评估生物碳的应用效益。

表2  NAI估计值的均方误差

北部			南部
Kernel估计	部分线性估计	单指标估计	Kernel估计	部分线性估计	单指标估计
6483	1308538	5345207	6012	835535	5694548

（二）后期预测与解释

生物碳应用的NAI预测在不同的热解厂位置下共有108种不同情境，其中54种为南部热解厂，54种为北部热解厂。

图3a为当热解厂在北部建设时NAI的预测结果。当农业生产成本相对较高且肥料使用成本效率低下时（如 ），如果农民能够提高灌溉成本节约量，收益将会增加；而当生物碳应用成本较低、生产成本较高且有效灌溉时（ ），只要农民能够进一步节约肥料成本， NAI则能够提升；当生物碳应用使灌溉与肥料使用效率更高时（ ），较的农业低生产成本则会间接的提高生物碳应用成本。

在灌溉节约与肥料节约较少的情况下（ ），降低农业生产相关成本将会使NAI进一步提高；当灌溉与肥料节约较多，并存在会增加相关成本的因素时，NAI可能会上升，当所有相关成本较高而有因素可使灌溉与肥料节约增加时，NAI也会上升。当相关成本提高，而NAI仍会上升的可能解释是由于在生产水平给定的情况下，边际收益高于边际成本，从而导致净收入增加。

图3a  鄱阳湖生态经济区北部热解厂基于水稻种植的预测NAI

图3b显示了当热解厂建设在南部时NAI的预测情况。当灌溉与肥料使用是相对有效率的且生产成本较低时（ ），如果农民能够减少生物碳应用成本NAI将会上升；此外，当灌溉与肥料使用效率较低且生产成本较高时（ ），使用相同的策略NAI会更高。

从表2中可以注意到，当热解厂建设在鄱阳湖生态经济区南部时，在大多数情况下预测的NAI都将高于热解厂建设在该区域北部的情况。例如，当灌溉节约水平只有标准水平的一半时，与北部热解厂的大部分情况相比南部热解厂预测的NAI均较为突出。这可能是因为南方县的灌溉成本较高，灌溉节约对NAI影响更为显著；南部县的NAI较高也与更高的成本节约有关。此外，南部县市每提升1%的灌溉节约所引起的NAI的变化要高于北部，因此南部县市每1%的灌溉节约损失将对NAI产生更大的影响。

图3b  鄱阳湖生态经济区南部热解厂基于水稻种植的预测NAI

（三）讨论

由于地理条件的不同，鄱阳湖经济区北部县比南部县更容易获得水资源，因此当热解站在区域南部建设时生物碳能够增强土壤水分储存能力，使南部农民的灌溉费用进一步减少。当热解厂在北部建设时，由于较高的运输成本，大部分生物碳会在区域北部的临近县区使用，这使NAI降低。南部各县的肥料成本高于北部县，因此肥料使用也会产生类似的影响；南部县的土地相对贫瘠，肥料成本是生产活动的主要成本之一，因此肥料成本的降低将使NAI有较大提升。这表明南部县使用生物碳引起的灌溉和肥料成本的减少高于北部县。从图3a和图3b也可以看出，北部所有情况下的NAI分布比南部更加平滑。基于模型结果，本文发现生物碳运输成本对NAI有显著影响。当热解厂在北部建设时，因北部地区土壤相对肥沃且灌溉与肥料支出较少，由生物碳使用引起的成本降低并不如南部地区显著；即使生物碳可以由北部运输到南部，运输成本也将减少NAI。当热解厂在南部建设时，运输成本将显著降低而NAI则会增加。

当热解厂在北部时，生产成本和生物碳应用成本的较小增加并不会对NAI产生显著的影响；对于临近热解厂的县区，提高灌溉和肥料使用效率将提高NAI。当热解厂在南部且所有成本与效益均增加时 ，由于生物碳应用成本和生产成本的增加高于灌溉和肥料成本节约带来的效益，此时NAI为正却小于基础情境的NAI ；当成本与效益均减少时，因生物碳应用成本和生产成本1%的降低将超过由灌溉和肥料节约引起的1%的效益损失，此时NAI会提高。而热解厂在北部时上述NAI效应在大多数情境下不再显著。

因此，从发展热解工艺和生物碳应用的角度来看，将热解厂建设在环鄱阳湖的南部县市，能够带来更高的社会、经济与环境效益。然而，由于大规模的再生能源产业发展需要较高的资金投入，省、市、县是否能够出台相关的政策来对它进行扶持，也是影响其成功与否的重要因素。

六  结论

热解/生物碳是生产清洁且可再生能源的可行方法，虽然生物碳的运输、原料收集与储存等方面仍存在困难，但是因其能够减少农业生产成本、降低灌溉与肥料支出、减缓温室效应等特性，善加利用此项技术能够带来显著的环境与经济效益。

本研究通过将生物碳作为土壤改良剂带来的效益进行定量研究，研究了热解厂在区域南部或北部建设时将如何影响鄱阳湖生态经济区农民的收益。通过对Kernel估计、部分线性估计和单指标估计的NAI结果的拟合优度度量，本文观测到Kernel估计为最优选择，而后本文使用Kernel估计对水稻种植下的NAI进行预测。结果显示生物碳能够显著增加该地区农民的收入，尤其是在水稻种植情境下。由于环鄱阳湖生态经济区周边县（市）的土壤肥沃程度不同，热解厂的位置便是影响整体经济和环境效益的重要因素。当热解厂设在南部时，生物碳应用可以更显著的降低灌溉、肥料及运输成本。

由于热解厂的建设并不广泛，本文使用的数据是基于欧洲的研究数据所得，这可能与在中国实际建设的费用偏离。这需要对在中国建设热解厂进行实地调查，同时需要进一步调查以量化热解/生物碳技术以及生物碳动态的收益与损失。

附录

		(1)		(2)		(3)		(4)		(5)		(6)
		(7)		(8)		(9)		(10)		(11)		(12)
		(13)		(14)		(15)		(16)		(17)		(18)
		(19)		(20)		(21)		(22)		(23)		(24)
		(25)		(26)		(27)		(28)		(29)		(30)
		(31)		(32)		(33)		(34)		(35)		(36)
		(37)		(38)		(39)		(40)		(41)		(42)
		(43)		(44)		(45)		(46)		(47)		(48)
		(49)		(50)		(51)		(52)		(53)		(54)

注:1. 第一列及第一行给出了各项模拟情景的基本定义；2. 括号内的数字表示该项模拟情况的组别。

Nonparametric Forecasting for Biochar Utilization in Poyang

Lake Eco-Economic Zone in China

Chang MengShih, Kung ChihChun

Abstract: Agriculture is the least profitable industry in China. However, even with large financial subsidies from the government, farmers’ living standards have had no significant impact so far due to the historical, geographical, climatic factors. The study examines and quantifies the net economic and environmental benefits by utilizing biochar as a soil amendment in eleven counties in the Poyang Lake Eco-Economic Zone. A nonparametric kernel regression model is employed to estimate the relation between the scaled environmental and economic factors, which are determined as regression variables. In addition, the partial linear and single index regression models are used for comparison. In terms of evaluations of mean squared errors, the kernel estimator, exceeding the other estimators, is employed to forecast benefits of using biochar under various scenarios. The results indicate that biochar utilization can potentially increase farmers’ income if rice is planted and the net economic benefits can be achieved up to ¥114,900. The net economic benefits are higher when the pyrolysis plant is built in the south of Poyang Lake Eco-Economic Zone than when it is built in the north as the southern land is relatively barren, and biochar can save more costs on irrigation and fertilizer use.

Keywords: Biochar; Poyang Lake Eco-economic Zone; Nonparametric Estimation